RANDOMWALK

PASSEIO ALEATÓRIO
 PASSEIO Aleatório EM 1 DIMENSAO

Imagine que
você
esteja parado em uma determinada
posição
e
que
seu
próximo passo seja determinado pelo sorteio de uma

moeda de lado E (ESQUERDA) e D ( Direita) .

Vamos assumir que possa

lançamento dizer
algum
haver nú isso
por vamos
e
no , ,
que
Se
P (E) =p e P (D) =

q
.
E
foi sorteado , você anda
para
a

Se 4) for sorteado você anda direita

esquerda .

,
para .

É.is
Depois de N sorteios o deslocamento será
✗= ml ,

com me IN .

Definindo
n
,
: número de
passos à direita
à
na i número de
passos esquerda
 Temos que
N = 4 + hz 4)
e

M =
h, -
hz

Desta forma garantimos

, que
- N ≤ m ≤ N .

Como na N hi
podemos reescrever
-
=
,

m =
24 - N .

(Note que N define a

paridade de m
)
A hipótese fundamental é
que
cada novo
passo
é
independente
do anterior ,
com as
seguintes probabilidades
PCD ) =p ( Andar p
/ direita )
PE) -

q
=
1 -

p ( Andar p / esquerda )
Desta forma depois ,
de N
passos ,
a
configuração do sorteio
pode
vista de E 's D's
ser como um
seqüência e
 E DF E - -
- DE

N termos

com n, ( Fls ) e hz ( D's ) Ou seja

.

,
no
final dos N
passos
não

importa qual a
sequência específica do sorteio , somente os

valores de n
,
e na .
Desta
deslocamento
forma ,
existem
( %) maneiras de

encontrar o mesmo ✗ = ml .

logo ,
como cada

sequência específica tem probabilidade

PP . -

pq g-
- -

q =p q
" "
(Eventos independentes )
A probabilidade PN ( ni ) de ter dado h
, passos para a direita e

na
passos para a
esquerda é

(A)
" " N! " "

Pwln )
≥

,
-
p q , p q .

4! 4 !

( Distribuição Binomial )
É
importante notar
que
Plmf
N
=
PN (m ) .

Das
equação 9) e (e) temos que
h ,
=
§ ( Ntn ) na e =
121N - m ) ,

ou
seja , podemos reescrever

N! mlk
kg
"" CN
Palm)
-

=
P .

④ +
mh ] ! [ (N my] -

!
No caso
particular em
que p -

q
=

% então

N!
Pnlm) !
=

Emmy [ ! IN -

my] ! (1)
Retomando a
expressão
N! " "

Pwln )
'

,
- p q
u
,
! 4 !
 temos PNA ) sobre todos valores de
que ,
se somarmos os
possíveis
4 ,
então
N

É Pnln ) [ NI-pn.pt?-z!N!-phplN-H--(p+q)--
N
'
1 .

/ 4) ! !
, =

! ! ^' ha n
n
,
N -

" EO não ,

É Pwlni ) -1
-
.

NITO

Exemplo N lo
q =p -14
100 PN ^

Importante
:
,
-
-

reparar
Pulo / 1 Palio) ↳
simetria !
-

= =
a
20

Pna )
.nl?;-.f,.--Pi.K)--tg-.
-

15 -

-1¥ -1--1%18 ¥
%" ) -
-

io -

,
5 -

1%13)
-3,1¥ ¥ 1%7 )
-1¥ = -

,
.
FÃ ,

Rola ) 1%16)
1
2¥ É mais
-

provável que pessoa

- =

permaneça
" a
2 no
416 !

F. G) = 1 =
252 mesmo lugar (4--4--5) .

51512
"
E
 passeio aleatório pode utilizado
O
problema do ser
ponto de
como

partida para o estudo da dinâmica de sistemas estocástica ( aqueles

regidos por regras probabilística ) . De µ podemos pensar que

a
posição
atual da
partícula é uma variável estocástica (
com
algum
grau
de aleatoriedade ) e
, portanto sujeita à
regras probabilística .

Assim N síino
,
se
imaginarmos que a
posição da
partícula no -

passo ( PN ( ) )m
foi alcançada , partindo de um de seus
vizinhos
imediatos , podemos escrever

PN →
( ml ) =
ppw (( m -

a) e) +
q PN ( ( mm ) e ) .

temporal
probabilidade
Podemos , estudar evolução
por exemplo ,
a da

Para isto, basta avaliarmos

grandeza
. a
 Pauline ) Pnfme ) ≈
2- quando
e→
-
◦
,
.

No caso em
que p q
- -

§ temos
Para Iml ) { Pwllm 1) e) ↓ Pw Hm + 1) e)
-

= + .

Definindo ✗ = ml e d- ✗ =L ,
reescrevemos

PN " ( ) x =

1 PN ( × -
A- × ) +
§ PN ( ✗+ Ax ) .

Assumindo a
dependência temporal
Plxittltt) f- PA 1- ✗ A) +
f P( ✗+ Axit ) At t - -
-
=

Pfxittat) PKK)- =

f- PA -
1- ✗ A) +
EP ( ✗+ Axit ) - Plat)
At At

= PA -
Ant ) + P (✗ + A- ✗ f) - 21%11-1 .
(3)
2 At
 Como
PH-plx-in-x-e-fk-H-fH-ffd-fk-4.ve-1h
.

(e) ≈
à h h
d-✗
Vale A- ✗→ d- A✗ → õ
então >
pais e .

.it#kat)-Al--P(x-Ax,t
¥;
(Kt) ≈
-1%4 -

Ant) -

) -
Plat) - ( Plat) - Pcxtaxt ) )
2 2
A- ✗ A- ✗

=
PANAMÁ PCX + -
Axt ) - 27kt ) . (4)
1×2
Assim equação (3) reescrita
pode
a ser como

Pliçttat) PKK)
±÷[ ]
-

= Plat ) - Pcxtaxit) -
PA Axt -

At Aí

logo tomando
, os
limites 1-✗ → o e A- 1- → o
,
encantamos

¥-6,4 fofo.cat)-
 A equação
7-EDIE
é conhecida
equação difusão
de
como .

Vamos tentar dar um

significado mais palpável para a
equação de

difusão .

Imagine que
existam N caixas com
partículas sujeitas à
do aleatório Cada tem
12 caixa um

regra passeio com

p q
-
_ = .

volume e, isso trataremos da densidade em cada caixa ao

por , ,

ilustram
invés do número de
partículas As .
divisórias das caixas somente
limites
capazes
seus
bloquear fluxo partículas
e nao são de o de .

l,
A fs la ls 16 ft A fq

f÷ÜÍ!ÍÊ
 Vamos imaginar
que
cada uma das
partículas possa se mover

de uma caixa outra , probabilidade % de ir para direita

para
com

ou
esquerda .

l,
lz fs la ls lo la lo fq

-÷¥:¥i¥÷¥÷¥¥¥÷¥
÷:|
~
50% 50%

Para facilitar a análise ,

vamos
focar no
que
acontece na casa 4- Assumindo

que
há um
fluxo entre as casas
vizinhas com 50% de chance de ir
para
direita ou
para esquerda .

fu o
-
ln luto

. ÷:-. : : :
-

Como pé proporcional a N ( N =p V) é natural que a variação da

densidade seja proporão às
probabilidades de
fluxo .
Por esta razão , vamos

fazer a análise em termos

que f.
A cada
passo
de
tempo ,
a
variação
da densidade da é dada

ftp.T?Ty-fp--F?jg
por
casa n

Alu =
Fln" ten ten E eu
- -
+ -

a =
1
¥
A- A- 1ª ✗
G- f) Aife FÉ A×¥¥ˢ
✗ =

¥ =D
¥ ,
 VALORES MÉDIOS

variável aleatória é descrita

Seja a uma
seja que , por alguma
ou
,

M valores discretos
regra probabilística
assume tais ui
que
e
, que ,

aiocorre
probabilidade
com
Plug ) ( o ≤
Pig ≤ 1-
hj ) Vamos considerar ,
.

tal
uma distribuição normalizada
M que
E Pluj ) = 1 .

j
O valor médio ou valor
esperado da variável u é
definido como

a- = ( u) = Ê ujpluj) .
M
)
j
Se flu) foi uma
função de u
,
então o valor médio de
flu ) é

FÃ = (flu) ) = Ê the;) Phi) .

j -1
Propriedades :( Mostrar)
(
ci )
fiu )+ glu ) ) )
glu ≥
=
( fã ) ) + (

Iii ) (
afa) ) <
foi > =
a
,

de atraía
com
f- High) função estocástica da variável
,
a e a é

uma constante

Observação : Se É Plnj ) ≠ '

entao
ja
M

a- = ( u) =

EI ,
ujpcuj) .

TÊ Plnj) ←
( Normalista )
 DESVIO DA MÉDIA

A-n = a -
< no

Note
que
<and =
< a- < → =
É ( ação) Pluj )
j→
-

= É njpluj) - < n> É Pluj)

f--1 f- =p

= < a> -
<a> = O

DESVIO QVADRAÍICO MÉDIO

'

(Au) :-( a -
< a> )
N.to que

( (Anp) ( (
- a- )> =

¥4 (q? viu> + Cnj ) Plu ;)

-
 -

É ,
ai Plujl -

ka >
TÊ,
ni Plait
TÊTE > Pluj )
= < oi > -
24ns? < as :-< vi> -

É evidente < (Au) ) ≥ o

logo < a> ≥ G) ?
que ,

DISPERSAÕ ( VARIÂNCIA)
<(An) >

DESVIO PADRE

✓CAÍ
N Eéiihr
-
MOMENTO com RESPEITO AO VALOR MÉDIO
(( ) >
"

( Cn ) >
"
Au = -
Cns
 RETORNANDO Ao PASSEIO ALEATÓRIO

Ê→MµN
É NIPN (Ni) "
"

< a) = =
p } ,
N
,
-
_
N N,-

, q
-
.
t
p
-

Não ,
N

E.mn?!qt4-!-pIp(E..a!!qtY )
<" ≤
"

"

fdp g)
N
PN (pi g)
'
=P PN
-

+ =
= .

Assim
< Na> =
{N - N, > = (N ) -
( Nr ) =
N -
PN
NO p ) N
q
-
= =
.

CN ) ,
= PN
( Nr ) =
7N .
 É IÊ II.
Assim
) !! Hot
Hp (jf ,
"
NA P "
< a> =

%fE.mn?!-i.P4M)=P&.f%fE:n!-.iY- |}
N
"
→

}
"

/% } {
"
=

PÊp ' (" H =

Np Jp P Ing)

{ }
' ' N -2
Np ¢+9 ) p IN ) (p g)
-

=
+ t
-
+

p N
+
?
N ( N -1)
p
=
.

( Ni) IN t)
>
=
p N +
p N
-
 Conhecendo < Nid < 4) calcular
e
podemos a
dispersão
e o
padrão A dispersão será
desvio .

< ( ANDY ( Ni) ( N ? p Ntp NIN -1 )

pH
'
= -
, -

N-W-pki-pY-fp-pYN.lt
=p

PN -

p
) =
pq
N .

Assim o desvio padrão será

AN :-(oni ) =
KANJI (pq) VÔ
"
.

Com isso
podemos definir
" K
7) VÔ
¥#
TN , = =

< ND pN
 CASO ↑ CASO 2

PIN ) ^ PIN) ^

É
i

"
↓ . . . >
N, N
N ,

⇐%) >
(%:)
CASO A CASO 2
 ÚMITE GAUSSÍANO DA
DISTRIBUICAO BINOMIAL

É PN (a) É TÁ ?
" "
Quando olhamos PCN ) 9-
para remos
= =

,
N -
O

limite
, _

no N → os

que N
Paulo ) =
q → o e PN (N) = PN → o

^ Eixo DE SIMETRIA
.

i
• → TEM QUE Existir OM Máximo
Pois A AÃEA É DIFERENTE
.

• A • >

N,
COMPORTAMENTO TÍPICO PARA N GRANDE

PIN ) ^

•
Nero 1
Não > Não ,

Pico Muito PRONUNCIADO EM TORNO DE

% (P -
_

of -

%)
PIN ) ^

☒!; Ncasoz
NASH > Nosso ,
 "

[
" " " " " "" """ " ◦ " "
DE COLUNAS É Muito GRANDE E VALE

PARA PONTOS Próximos Do Máximo ,

IPIN mão )
-
- P /Nmax ) / ⇐ W (Nm)

O maximo édcamcçdo quando M

µ ,
. , .. µ,
DN ,
. .

•m

Como tu ✗ é monotonamente crescente então

ratos de × máximo coincidirão !

para
os o

:
 b. PNCN )
[µ%_µ ,p ]
" ""
fala) = , =
hr
q
,

= lm N ! - KM ! -
LIN -

Ni )! + N, lnp + IN - N, )
hrq
Expansão assintótica de
Stirling
AN ! =
NAN -
N + O Chin ) .

Assim
) Nln N N , hein , M IN Ni ) LIN Ni ) (N /+
fdm N
-
-

+ -
-
-

+
- N,
.

+ Nilnp + (N - N , ) lnq + O ( bum hnfn ,

-
ND ) ,

↳ lnln 4) hp
↑
Hank ¥ hm
YEH
=
- -
+ 1- -
+
-

+ 1- + +

, ,
-

enq + O (% % ) ,
. -
m
 A- NINI hm LIN ) hp
YEH
1-
¥
=
- -
+ 1- -
+
-

Ni + + +

mi , ,
-

bnq + O ( % % a),
e -

Tomando N muito grande ( N → a) O ( Mw ,

→◦
,
t.tn ) ,
→o .

Assim
Ià ) → hà lnln Ã) hg
¥y hip
- +
-
+ -
-
. o

,
ʰ
ʰ
/ TET ) +
%

41:* :/ →
CET ; -

IN -
Ã)
, p
=

Ãq Np = NY ptq) Ã Np,
= = LN , >
Tomando derivada
a
segunda
¥; " .pl#m)---I.-I-m+0(IiH-mi)
Para N → o

( Ni) N M N, N
çfn
-
'
- -
-

= =

, MIN -
N,
) MIN -

Ni )

Torando N
,
=
Ã

27N IÃ)
ivpq
N
j%-NPÍ
-

-
-
=

À Napa p) -

( )
como Ana ia
-
1- < o ,
maximo !
=
'

( (ANP) por ser um

Com o intuito de avaliar o

comportamento de fwfn , )

proximo ao máximo ,
vamos fazer expansão
uma em serie de
 Taylor em torno de à =

Npq .

Êf
"

)fÜÃã ) if Ai ) (N ÃH
"

fini -
.

i- o
aí .
flori -

-21
-
.
.

'

PNINI ) 01ns )
=L
j-pg.IN F)
-

-
+

oh PNIN ) lnpw ( ni ) (N F)
'

,
-
1- -
+ OCN )
= .

Znpq
Tomando N ≈ Ã → (N Ã )
-
41
, podemos descartar
temos
superior Écinpntanle lembrar que
os
de ordem
.

N → a cai muito rapidamente zero Isto

justifica a

para
.

tnmar NEN
,
.
Assim

NT )
LNPNIND = A
* pfv
-
-

PNCN ) ,
=
poexpt-I-pq.CN -
à )] .
 constante
Neste caso
po
é uma de
normalização tal que
to

|-
O
pqp [-1%-1%-2] dln Ã)
-
-1
-

ftp.e#nidx--1
-

os
,
✗ = N - Ã .

Para encontrar devemos

primeiramente resolver
integral
po
a
,

1-
=) e ãidx .

Usamos o
seguinte truque :

I?
[ Ê da F-¥ dy
/ [[ -4¥"
-

e
=
e
dxdy
o b
o b
-
- -
-
I
:-[[O
É% rdrdy
O
o
=

zu-je-krdr.at/.%Eda
°

f.
A

|
" "
=
at e- du =
- até = alt =
- #N ,) # .

I? HÃ JN ,
'

(
ZT som ) 1- =

Assim
p fãs , =L
P JEON
. N .
=

"

[ Ê! ]
-

BIN) =

[a-
( )]
som up
-

DISTRIBUICAO GAUSSIANA
 notar
É
importante que
< Nda =

[Nipocn ) DN f.FM [ KNIFE f-

-
O
, ,
= *
/ DN ,

i.%Ea.Y-s-j-a.jo#-du--*.i
a-

¥4 !
" -

"
,
→
Nidn ,
= FMI da + < Ni DN ,

!
Eva af )
À ÷"
ü÷ /
-

<" + < du
.

- os

¥-7
<"
Ü ]
{N ) ,
a
= < N '>
Norma
 < a- aii
ÊÃ enviar [ -0%1%-7
-
os
-

"

Ii:
1-
oieiionidu
}
=

TROQUE !
ta
Sabemos

|
"2
que
e- mídia =
.

então

:[ [ a.) :[¥1 ]
" "
e- =

F. É
"
idx
11¥)
-
"
=
. .
Assim
"
< (N ,
-
<
novo -

E- µ
,
[ ¥4047 /
=¥→.fi#rnif .

< ( Nr -
<
MÃE Foi =
< CN ,
_
< nipo -

NORMTL
 limites DE VAIDADE PARA A Distribuição GAUSSIANA

Os termos de ordem de la Pw ( M )
superior na
aproximação
analisados
devem ser com cuidado
, pois são
eles
que impõem os

links Analisando
para Ps (Ni)
de validade .

:*
Entre )À Ei , % ¥ É-É .io?!Y---n;:-p
:
-
- -
-

.
. .

1¥ / .
=

Y.jo#'N2p2q2
Comparando o 2º e o 3º temo ter -

/ 1¥.IN FI / -

1µm ÃÍ
-

: :* " HE .fi?!-1N- ÃÍ
|
-
 O limite de validade é vale
aquele em
que

HEIN -4141¥.in ÃH -

ÃÍ
1-pq / N ÃÍ ≥
.
-

adf.iq?!-IN- IN Nilo ,
-
snpq
1 q -
pl

Mas vote que na

região em
que IN Ã /
3Npq-alq.pl
- ≈
,

será dada por

distribuição gaussiana
ÊP [
HÃ ]
-

Pew ) ≈
[a-
fui ] !
N → o

Íp [ 9^772 ]
-

Pew )
[ ( )]
?
≈ a- ou , - o

ZNpqlq.pt